Resumo: Este artigo verifica ponto a ponto os rumores de “swarm/RSI” sobre o Gemini 4 Neon, com base no histórico de lançamentos do Google Antigravity e no model card do DeepMind. A checagem é dividida em três perguntas: como os vários agentes do produto colaboram entre si, quais informações de treinamento o modelo tornou públicas e o que as métricas de desempenho conseguem comprovar.

Antes de tudo, a conclusão: até 2026-11-20 (horário de Pequim), nos registros públicos existe uma única coisa chamada swarm — o comando de produto /swarm do Google Antigravity. Ele cuida de vários agentes escrevendo código em paralelo e fazendo verificação, e não tem nada a ver com método de treinamento. O model card do DeepMind explica que o Neon foi adaptado a partir do Gemini 4 Carbon e cita medidas de alinhamento como ajuste fino supervisionado e aprendizado por reforço, mas não diz se o treinamento usou destilação ou o tal RSI. Portanto, a afirmação de que “o Neon foi treinado recursivamente pelo swarm” não tem, no momento, apoio em divulgações públicas verificáveis. Não dá para tratá-la como fato, nem convém escrever que ela “já foi refutada”.
Essa conclusão tem condições. Se um relatório de segurança do Neon publicado depois pelo DeepMind, ou outro documento oficial, revelar novos detalhes de treinamento, a avaliação precisa ser atualizada junto. Se o desenvolvedor quiser usar o Neon no próprio negócio, pode fazer a chamada via APIYI apiyi.com com o ID exato do modelo gemini-4-neon. O modelo está disponível desde 20 de novembro, com preço igual ao oficial: US$ 3 na entrada e US$ 15 na saída (por milhão de Token).
Mapa de conhecimento e ordem de leitura para verificar rumores sobre novos modelos
A tabela abaixo lista as perguntas que cada uma das quatro seções do texto responde, as evidências em que se apoiam e como se conectam. A seção 1 primeiro delimita o que já foi confirmado; as três seções seguintes se desenvolvem dentro desse escopo.
| Nº | Pergunta respondida | Principais evidências | O que fornece para a próxima seção |
|---|---|---|---|
| 1 | Quais pontos do rumor do Gemini 4 Neon já foram confirmados | Post do blog Antigravity, ficha do modelo do DeepMind, anúncio da APIYI | Uma linha do tempo factual com datas, como base de comparação para as etapas seguintes |
| 2 | Onde a cadeia de evidências do rumor se rompe | Publicação original na rede social, demonstração do fabricante, ficha do modelo | O que cada tipo de evidência consegue sustentar no máximo, e quais materiais são necessários para uma reprodução independente |
| 3 | O que os benchmarks provam e o que não provam | Índices da Artificial Analysis em quatro faixas, índice de agentes de programação | Como ler benchmarks corretamente e a abordagem mínima para testar por conta própria |
| 4 | Como os desenvolvedores podem verificar o estado real atual | Ficha do modelo, changelog, registro da APIYI | Um fluxo de verificação repetível e os preços atuais |
Na ordem de leitura, as seções 1 e 2 formam uma linha principal e é recomendável lê-las em sequência. A seção 3 é adequada para leitores que querem ver dados de desempenho; a seção 4 é para desenvolvedores prontos para integrar. Ambas podem ser consultadas separadamente.

Para saber: termos necessários para entender os rumores sobre o Gemini 4 Neon
| Termo | Explicação concisa |
|---|---|
/swarm |
Comando de produto no Google Antigravity que entrega uma tarefa a vários agentes para processamento paralelo ou divisão de trabalho |
| Worktree | Diretórios de trabalho isolados dentro de um repositório de código-fonte, permitindo que vários agentes modifiquem código ao mesmo tempo sem conflitos |
| Agente coordenador | O agente responsável por dividir tarefas, distribuí-las aos agentes de trabalho, consolidar os resultados e organizar a verificação |
| Destilação de conhecimento | Método de treinamento em que um modelo aprende as saídas ou o comportamento de outro modelo, transferindo assim capacidades |
| RSI | Recursive Self-Improvement, ou autoaperfeiçoamento recursivo; refere-se à capacidade de um sistema de melhorar repetidamente suas próprias capacidades ou seus processos de melhoria |
| Ajuste fino supervisionado | Treinamento contínuo do modelo com dados anotados ou com saídas de referência |
| Aprendizado por reforço | Ajuste do comportamento do modelo com base em sinais de recompensa; os detalhes de implementação dependem do que o fornecedor divulga |
| Model card | Documento publicado pelo desenvolvedor que descreve a origem do modelo, suas capacidades, resultados de avaliação e limitações |
| Reprodução independente | Obter novamente o mesmo resultado usando entradas verificáveis, versão do modelo, configuração e logs do processo |
1. O que já foi confirmado nos rumores sobre o Gemini 4 Neon
1.1 Linha do tempo dos fatos, por data
Para checar qualquer rumor sobre um novo modelo, o primeiro passo é listar os fatos confirmados, com data e fonte. A tabela abaixo reúne apenas conteúdos publicados por canais oficiais ou pela própria plataforma.
| Data (2026) | Fonte | Fato confirmado |
|---|---|---|
| 10 de novembro | Post do blog do Google Antigravity “Gemini 4 Carbon and /swarm” | /swarm lançado em prévia: o coordenador divide tarefas, executores paralelos trabalham em worktrees git isolados e verificadores adversariais executam testes e questionam alterações no código; diferentes funções podem usar modelos diferentes |
| 18 de novembro | Post do blog do Google Antigravity “Gemini 4 Neon in Google Antigravity” | Lançamento do Neon, acompanhado de vídeo de demonstração: usar Neon e /swarm para montar um jogo de navegador para dois jogadores com vários níveis, rodando no navegador integrado, com um agente atuando como segundo jogador |
| 18 de novembro | Google DeepMind “Gemini 4 Neon Model Card” | O Neon foi adaptado a partir do Gemini 4 Carbon; as medidas de alinhamento divulgadas incluem ajuste fino supervisionado e aprendizado por reforço, entre outras; a DeepMind afirmou que publicará posteriormente o relatório de segurança do Neon |
| 20 de novembro, 11:45 (UTC+8) | Comunicado da APIYI “Gemini 4 Neon no ar: mesmo preço oficial, $3/$15” | A APIYI apiyi.com disponibilizou o gemini-4-neon em seu catálogo; no mesmo dia, o registro de modelos já contava com essa entrada |
1.2 Definição do produto /swarm
Conforme descrito no post de 10 de novembro, o /swarm entrega o comando do usuário a um grupo de agentes para processamento. O coordenador inicia vários agentes de trabalho paralelos especializados, e cada um deles modifica código em um worktree git isolado, de modo que as alterações não se sobrescrevem. Há também verificadores adversariais dedicados a executar testes e questionar os diffs de código. Os agentes colaboram por meio de um mural de mensagens compartilhado e somente de acréscimo (append-only); quando ociosos, não consomem tokens, e são ativados imediatamente quando precisam de entrada.
Este é o “swarm” no sentido de engenharia, composto por processos paralelos, fila compartilhada e etapas de verificação. Ele descreve como o framework de execução Antigravity organiza o trabalho, e não aborda como o próprio Gemini 4 Neon é treinado.
2. Desmontando a cadeia de evidências dos boatos sobre Gemini 4 Neon swarm/RSI
2.1 O que cada um dos quatro tipos de evidência consegue sustentar
A origem do boato é um post em rede social: um vídeo de cerca de 62,5 segundos, com resolução 756×403, mostrando um jogo de luta entre bonecos-palito para dois jogadores rodando no navegador, com a legenda dizendo que foi “made by swarms” e que o código é “pure JS”. O artigo de análise da OrcaRouter observa que o post não traz o comando, a versão do modelo, o nível de raciocínio, estatísticas de Token, nem esclarece se o código foi gerado por um único agente ou por vários agentes.
Comparando esse post com os materiais ao redor, chega-se à seguinte cadeia de evidências.
| Evidência | Natureza | Afirmação máxima que sustenta | Afirmação que não sustenta |
|---|---|---|---|
| Vídeo original do post | Demonstração de terceiros, sem registro de execução | “Alguém mostrou um jogo de navegador supostamente gerado por swarm” | Processo de geração, modelo utilizado, método de treinamento |
| Demonstração do Antigravity em 18 de novembro | Caso de produto da própria fabricante | “O Google demonstrou a construção de um jogo de navegador para dois jogadores com Neon + /swarm” |
Que o vídeo do post foi feito pelo mesmo caminho |
Documentação do /swarm de 10 de novembro |
Descrição oficial do produto | “O swarm é o recurso de colaboração multiagente do Antigravity” | Qualquer conclusão sobre treinamento do modelo |
| Model card do DeepMind | Divulgação oficial do modelo | “O Neon é adaptado pelo Carbon, com medidas de alinhamento como ajuste supervisionado e aprendizado por reforço” | Se o treinamento usou ou não usou destilação, RSI |
O artigo da OrcaRouter também menciona que a demonstração da fabricante foi publicada um dia antes do vídeo do post e é, até hoje, o único caminho publicamente demonstrado de usar swarm para fazer um jogo de navegador para dois jogadores. Isso só mostra que os dois conteúdos são parecidos. Uma demonstração da fabricante com texto explicativo e um vídeo de terceiros são tipos diferentes de evidência: a primeira não pode testemunhar o processo de execução da segunda.
2.2 Por que a formulação “não confirmado em materiais públicos” é mais precisa
Há duas versões circulando nas redes sociais: uma diz que “o Neon foi treinado recursivamente a partir de um grande número de cópias de si mesmo”, e a outra, ao rebater, afirma que “isso já foi refutado”. As duas vão além do que as evidências atuais sustentam.
O model card não menciona destilação nem RSI. Isso significa que a informação não foi divulgada oficialmente, mas não quer dizer que tenha sido negada oficialmente. Portanto, ao escrever e ao se comunicar externamente, tanto “o treinamento usou destilação/RSI” quanto “o treinamento não usou destilação/RSI” devem ser reescritos como “não confirmado em materiais públicos”, ou “não há divulgação verificável que sustente essa afirmação”.
2.3 Que materiais são necessários para uma reprodução independente
Para que a afirmação “um swarm fez um jogo” seja testável, são necessárias pelo menos quatro coisas: o comando completo, a configuração do modelo (o ID do modelo associado a cada papel e o nível de raciocínio), os logs de execução (quantas rodadas o verificador rejeitou e como a aprovação final aconteceu) e o consumo de Token. Faltando qualquer um deles, rodar tudo de novo equivale a fazer outro experimento.
Mesmo com os quatro materiais em mãos, a reprodução só consegue provar comportamento do produto: com esse framework e essa configuração, que qualidade de código dá para produzir de forma estável, quanto Token e quanto tempo foram gastos. A reprodução não permite inferir o processo de treinamento do modelo, porque um mesmo resultado pode ser alcançado por rotas de treinamento completamente diferentes. A atribuição sobre treinamento só pode se apoiar na divulgação da própria fabricante.
3. Leia as evidências de desempenho do Gemini 4 Neon: não deduza o treinamento a partir de benchmarks
3.1 Os dois tipos de índice da Artificial Analysis
A Artificial Analysis (AA) publicou, em 18 de novembro, uma avaliação independente do Gemini 4 Neon. O índice de capacidade abrangente da API é apresentado separadamente para quatro níveis de esforço de raciocínio:
| Nível | Intelligence Index | Tempo médio por tarefa |
|---|---|---|
low |
44 | 3.7 minutos |
medium |
55 | 8.3 minutos |
high |
60 | 14.8 minutos |
xhigh |
61 | 21.5 minutos |
A AA informa um custo ponderado de $6.44 por tarefa de avaliação no nível xhigh. De acordo com o panorama de modelos da mesma versão da AA, o GPT‑6.2 Sol tem pontuação máxima de 57, e o Gemini 4 Hydrogen, de 54. Além disso, a AA mediu que a combinação Antigravity CLI + Neon tem um índice de agentes de codificação de aproximadamente 59. Esse índice avalia a combinação “framework + modelo”; o objeto de teste é diferente do índice abrangente da API, portanto os dois números devem ser citados separadamente e não devem ser comparados entre si.
3.2 O que cada número pode responder
Os quatro níveis de índice da API respondem ao seguinte: ao chamar o Neon diretamente via API, em diferentes níveis de raciocínio, como se dá o trade-off entre desempenho geral nas tarefas e o tempo gasto. Já o índice do Agente de Codificação responde a outra pergunta: ao usar o Neon como agente de código dentro do Antigravity CLI, que patamar geral é possível alcançar.
Nenhum dos dois testes mediu o processo de execução do vídeo do post social, nem envolveu métodos de treinamento. “Pontuação alta” não permite concluir que “ele certamente foi treinado por swarm recursivo”. Uma nota alta pode vir de muitas rotas de treinamento diferentes, e o benchmark em si não consegue distinguir. Além disso, esses níveis e pontuações vêm da própria cadeia de avaliação da AA. Ao chamar por plataformas de terceiros, a latência ponta a ponta, a taxa de sucesso e a fatura real precisam ser medidas à parte.

3.3 Autoteste para iniciantes: fixe as condições com a mesma tarefa para verificar
Quer saber como o Neon se sai no seu cenário? Não use as demonstrações do fabricante como teste real. A abordagem mais confiável é escolher uma tarefa real, fixar a interface, o nível e a entrada, executar várias vezes e registrar os resultados. Veja abaixo a forma mais simples de invocação:
import openai
client = openai.OpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1" # Endpoint compatível com OpenAI da APIYI
)
resp = client.chat.completions.create(
model="gemini-4-neon",
messages=[{"role": "user", "content": "用纯 JS 写一个双人对战小游戏的核心循环"}]
)
print(resp.choices[0].message.content)
print(resp.usage) # Registra o consumo de Tokens
Ver o script completo com registro de reprodução
import json
import time
import openai
client = openai.OpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1"
)
BRIEF = {
"model": "gemini-4-neon", # Usa o ID exato do modelo
"effort": "Preencha o nível conforme a documentação da APIYI", # O nome do parâmetro de nível segue a documentação da plataforma
"prompt": "用纯 JS 写一个双人对战小游戏的核心循环",
}
def run_once(run_id: int) -> dict:
start = time.time()
resp = client.chat.completions.create(
model=BRIEF["model"],
messages=[{"role": "user", "content": BRIEF["prompt"]}],
temperature=0,
)
return {
"run_id": run_id,
"brief": BRIEF,
"elapsed_s": round(time.time() - start, 2),
"usage": resp.usage.model_dump() if resp.usage else None,
"output": resp.choices[0].message.content,
}
# Executa a mesma tarefa 3 vezes e mantém o log para que outras pessoas possam verificar
logs = [run_once(i) for i in range(3)]
with open("neon_runs.json", "w", encoding="utf-8") as f:
json.dump(logs, f, ensure_ascii=False, indent=2)
Esse log contém o comando, o modelo, o nível, o tempo gasto, o consumo de Tokens e a saída — exatamente os materiais de reprodução listados na seção 2.3.
🎯 Recomendação técnica: ao comparar níveis diferentes ou modelos diferentes, altere apenas uma variável e mantenha as demais condições inalteradas. Com a APIYI apiyi.com, você pode alternar entre os modelos Neon, Carbon, Hydrogen e outros usando a mesma chave API, o que facilita comparar resultados em condições iguais.
4. Como os desenvolvedores podem conferir o estado atual do Gemini 4 Neon
4.1 A ordem de verificação nas três fontes
Depois que um modelo novo é lançado, as informações mudam muito rápido. A recomendação é conferir na ordem abaixo antes de cada texto publicado ou de cada go-live:
- Model card do Google DeepMind: confirme a origem do modelo, as informações públicas de treinamento e alinhamento, os resultados de avaliação e as limitações — e veja se o relatório de segurança já foi publicado.
- Changelog do Google Antigravity: confirme o estado atual de recursos como
/swarme o Orchestrator. - Registro de modelos e anúncios de lançamento do APIYI: confirme o ID do modelo, o endpoint, o grupo e o preço de tabela. Vale sempre o anúncio mais recente. Por exemplo, a tabela geral de 19 de novembro ainda não trazia o Neon, mas o anúncio e o registro de 20 de novembro já incluíam esse modelo — a linha ausente na tabela antiga não invalida o anúncio novo.

4.2 Consultar preços, endpoints e grupos pelo ID exato do modelo
A tabela abaixo traz os preços de catálogo público da APIYI, todos em dólares por milhão de tokens. Todos os modelos listados têm tanto endpoint no formato nativo do Google quanto endpoint compatível com OpenAI.
| ID do modelo na APIYI | Entrada | Saída | Leitura de cache | Grupos registrados publicamente |
|---|---|---|---|---|
gemini-4-neon |
3 | 15 | 0.15 | default、svip |
gemini-4-carbon |
2 | 10 | 0.10 | default、svip |
gemini-4-argon |
2 | 10 | 0.10 | default、svip |
gemini-4-hydrogen |
1.50 | 7.50 | 0.075 | default、svip |
gemini-3.8-flash |
0.75 | 3.75 | 0.075 | Gemini_Reverse、default、svip |
Ao usar esta tabela, fique atento a três pontos:
- Neon é o preço padrão. Segundo o comunicado da APIYI, os $3/$15 não têm data de validade definida.
- Carbon e Argon estão em preço promocional por tempo limitado. Conforme o plano divulgado, a partir de 1º de dezembro voltam para entrada $4 e saída $20. Isso é o planejado no comunicado; na data, confira novamente.
- Preço de tabela não é o valor efetivamente pago. Quais modelos sua conta realmente enxerga, quais descontos de grupo ela recebe e quanto será a fatura final dependem da conta específica. Os $6.44 por tarefa de avaliação da AA são o custo da cadeia de avaliação da AA e não substituem a sua própria fatura.
Sobre “quando sai o próximo Gemini”: até o momento, o arquivo de atualizações em tempo real da APIYI, o changelog do Antigravity e o comunicado de lançamento do Neon não informam o próximo modelo nem a data, e a APIYI também não assumiu compromisso de prazo de integração. Estimar uma data com base no intervalo entre lançamentos recentes gera, por si só, novos boatos.
💡 Sugestão de integração: primeiro confirme no console da APIYI apiyi.com que sua conta enxerga
gemini-4-neone verifique o grupo em que ela está; depois rode uma rodada pequena com o script da seção 3.3, registrando o uso real de tokens e a fatura. Usuários novos podem usar a cota gratuita de teste para completar esta etapa.
4.3 Como julgar quando surgir o próximo boato sobre um modelo novo
Resuma o método deste artigo em uma regra de julgamento: primeiro pergunte a que categoria pertence essa afirmação — comportamento do produto, atribuição de treinamento ou nível de desempenho — e depois verifique na fonte correspondente. Para comportamento do produto, consulte o changelog e os logs de execução reproduzíveis; para atribuição de treinamento, apenas divulgações oficiais como o model card; para nível de desempenho, avaliações independentes que indiquem o objeto de teste e o nível avaliado. Se nenhuma das três fontes servir de base, marque a afirmação como “não confirmado em materiais públicos”.
No caso do Gemini 4 Neon, até agora é possível confirmar os seguintes pontos: ele foi adaptado do Carbon; /swarm é um recurso de produto multiagente do Antigravity; o índice de quatro níveis medido pela AA (Artificial Analysis) vai de 44 a 61. No APIYI apiyi.com, gemini-4-neon está registrado com o preço padrão de $3/$15/$0.15. As alegações sobre treinamento de swarm e RSI só podem ser concluídas após divulgação oficial.
Referências
-
Google Antigravity – Gemini 4 Carbon and /swarm (2026-11-10)
- Link:
antigravity.google/blog/gemini-4-carbon-in-google-antigravity - Descrição: Definição do produto
/swarme divisão de papéis
- Link:
-
Google Antigravity – Gemini 4 Neon in Google Antigravity (2026-11-18)
- Link:
antigravity.google/blog/gemini-4-neon-in-google-antigravity - Descrição: Lançamento do Neon e demonstração do jogo de navegador para dois jogadores pelo fabricante
- Link:
-
Google DeepMind – Gemini 4 Neon Model Card (2026-11-18)
- Link:
deepmind.google/models/model-cards/gemini-4-neon/ - Descrição: Origem do modelo e medidas de alinhamento divulgadas
- Link:
-
Artificial Analysis – Avaliação e página do modelo Gemini 4 Neon (2026-11-18, métricas atualizadas dinamicamente)
- Link:
artificialanalysis.ai/models/gemini-4-neon - Descrição: Intelligence Index de quatro níveis, tempo de execução e índice de agente de codificação
- Link:
-
OrcaRouter – Gemini 4 Neon’s Stickman Game: The Swarm Claim (2026-11-19)
- Link:
orcarouter.ai/blog/gemini-4-neon-stickman-swarm-claim - Descrição: Análise das lacunas de informação no vídeo do post original
- Link:
-
Google Antigravity Changelog (atualização contínua)
- Link:
antigravity.google/docs/changelog - Descrição: Estado atual dos recursos do produto
- Link:
-
APIYI – Anúncio de lançamento e registro do modelo Gemini 4 Neon (2026-11-20)
- Link:
docs.apiyi.com/live/2026-11/gemini-4-neon-launch - Descrição: ID do modelo, endpoint, grupo e preço
- Link:
Autor: Equipe técnica da APIYI
Contato técnico: alterações de modelo e preço estão sujeitas à central de documentação da APIYI; dúvidas de integração, entre em contato conosco pelo site oficial da APIYI
